সূচিপত্র
১. ভূমিকা ও সংক্ষিপ্ত বিবরণ
এই গবেষণাটি সংক্ষিপ্ত ইংরেজি পাঠ্যের আবেগ সনাক্তকরণের একটি উল্লেখযোগ্য চ্যালেঞ্জ মোকাবেলা করার লক্ষ্যে পরিচালিত হয়েছে, যা সীমিত প্রসঙ্গ তথ্য এবং ভাষাগত সূক্ষ্মতার কারণে একটি জটিল ক্ষেত্র। সামাজিক যোগাযোগ মাধ্যম এবং ডিজিটাল যোগাযোগের ব্যাপক প্রসারের ফলে বিপুল পরিমাণ সংক্ষিপ্ত পাঠ্য তথ্য তৈরি হয়েছে, যার মধ্যে আবেগ বোঝা মানসিক স্বাস্থ্য পর্যবেক্ষণ থেকে শুরু করে গ্রাহক প্রতিক্রিয়া বিশ্লেষণ এবং জনমত খনন পর্যন্ত বিভিন্ন প্রয়োগের জন্য অত্যন্ত গুরুত্বপূর্ণ। আনন্দ, দুঃখ, রাগ, ভয় এবং বিস্ময়ের মতো বিচ্ছিন্ন আবেগের সূক্ষ্মতা সংক্ষিপ্ত পাঠ্যে ধরতে ঐতিহ্যবাহী আবেগ বিশ্লেষণ পদ্ধতিগুলি প্রায়ই ব্যর্থ হয়।
এই গবেষণা উন্নত গভীর শিক্ষণ কৌশল প্রস্তাব ও মূল্যায়ন করে, বিশেষভাবে ট্রান্সফরমার-ভিত্তিক মডেল (যেমন BERT) এবং স্থানান্তর শিক্ষণ কৌশলের উপর দৃষ্টি নিবদ্ধ করে। একটি মূল অবদান হলোSmallEnglishEmotionsডেটাসেটের প্রবর্তন, যাতে ৬,৩৭২টি লেবেলযুক্ত সংক্ষিপ্ত পাঠ্য রয়েছে যা পাঁচটি প্রধান আবেগ শ্রেণি কভার করে, এই নির্দিষ্ট কাজের জন্য একটি বেঞ্চমার্ক প্রদান করে।
ডেটাসেট ওভারভিউ: SmallEnglishEmotions
- মোট নমুনা সংখ্যা: 6,372টি ইংরেজি সংক্ষিপ্ত পাঠ্য
- আবেগের শ্রেণী: ৫টি শ্রেণী (যেমন: আনন্দ, দুঃখ, রাগ, ভয়, বিস্ময়)
- প্রধান প্রযুক্তি: BERT এবং স্থানান্তর শিক্ষা
- মূল ফলাফল: BERT-ভিত্তিক এম্বেডিং উপস্থাপনা প্রচলিত পদ্ধতির চেয়ে উন্নত।
২. পদ্ধতিবিদ্যা ও প্রযুক্তিগত কাঠামো
2.1 গভীর শিক্ষণ আর্কিটেকচার
এই গবেষণায় সর্বাধুনিক গভীর শিক্ষণ স্থাপত্য ব্যবহার করা হয়েছে। প্রধান মডেলটি BERT-এর উপর ভিত্তি করে তৈরি, যা Transformer স্থাপত্য ব্যবহার করে ইনপুট পাঠ্যের প্রতিটি টোকেনের জন্য প্রসঙ্গ-সচেতন এম্বেডিং উপস্থাপনা তৈরি করে। স্থির শব্দ এম্বেডিং (যেমন Word2Vec, GloVe) এর বিপরীতে, BERT একটি শব্দের আগে ও পরে থাকা শব্দগুলি দেখে এর সম্পূর্ণ প্রসঙ্গ বিবেচনা করে। এটি সংক্ষিপ্ত পাঠ্যের জন্য বিশেষভাবে কার্যকর, যেখানে প্রতিটি শব্দের মধ্যকার সম্পর্ক অত্যন্ত গুরুত্বপূর্ণ। মডেলটিকে আবেগ শ্রেণীবিভাগের কাজে সূক্ষ্ম-টিউন করা হয়েছে, যাতে এর পূর্ব-প্রশিক্ষিত ভাষাগত জ্ঞান আবেগ-সংকেত চিহ্নিতকরণের জন্য অভিযোজিত হতে পারে।
2.2 SmallEnglishEmotions ডেটাসেট
সংক্ষিপ্ত পাঠ্য অনুভূতি বিশ্লেষণের ক্ষেত্রে বিশেষায়িত সম্পদের ঘাটতি পূরণের জন্য, লেখক SmallEnglishEmotions ডেটাসেট তৈরি করেছেন। এতে ৬,৩৭২টি নমুনা রয়েছে, যার প্রতিটি একটি ইংরেজি সংক্ষিপ্ত বাক্য বা বাক্যাংশ এবং পাঁচটি অনুভূতি লেবেলের যেকোনো একটিতে হাতে-তৈরি ট্যাগ করা হয়েছে। বাস্তব-বিশ্বের উৎস (যেমন টুইট, পণ্য পর্যালোচনা এবং চ্যাট বার্তা) থেকে পাঠ্যের বৈচিত্র্য এবং সংক্ষিপ্ততা প্রতিফলিত করার জন্য এই ডেটাসেটটি ডিজাইন করা হয়েছে। এটি পূর্ববর্তী কাজগুলিতে প্রায়শই উপেক্ষিত একটি শূন্যতা সমাধান করে, যেখানে পূর্বে ব্যবহৃত ডেটাসেটগুলি সংক্ষিপ্ত পাঠ্যের দৈর্ঘ্যের অনন্য চ্যালেঞ্জগুলির জন্য অপ্টিমাইজ করা হয়নি।
2.3 মডেল প্রশিক্ষণ ও ট্রান্সফার লার্নিং
স্থানান্তর শিক্ষা এই পদ্ধতির মূল। প্রক্রিয়াটি শূন্য থেকে মডেল প্রশিক্ষণ দিয়ে শুরু করে না (যার জন্য প্রচুর লেবেলযুক্ত ডেটা প্রয়োজন), বরং একটি পূর্ব-প্রশিক্ষিত BERT মডেল থেকে শুরু করে যা বৃহৎ কর্পাস (যেমন উইকিপিডিয়া, BookCorpus) এ প্রশিক্ষিত। এই মডেলটি ইতিমধ্যে সাধারণ ভাষার প্যাটার্ন বুঝতে পারে। তারপর, SmallEnglishEmotions ডেটাসেটে এটিকেসূক্ষ্ম সমন্বয়করা হয়। সূক্ষ্ম সমন্বয় প্রক্রিয়ায়, মডেলের প্যারামিটারগুলো সামান্য সমন্বয় করা হয় পাঁচটি লক্ষ্য অনুভূতি বিশেষভাবে পার্থক্য করার জন্য, যাতে সীমিত লেবেলযুক্ত ডেটা কার্যকরভাবে ব্যবহার করা যায়।
3. পরীক্ষার ফলাফল ও বিশ্লেষণ
3.1 কর্মদক্ষতা সূচক
মডেলটিকে মানসম্মত শ্রেণীবিভাগ সূচক দ্বারা মূল্যায়ন করা হয়েছিল: যথার্থতা, সূক্ষ্মতা, প্রত্যাহার এবং F1 স্কোর। বেসলাইন মডেল (যেমন ঐতিহ্যগত মেশিন লার্নিং শ্রেণীবিভাগকারী, যেমন TF-IDF বৈশিষ্ট্য সহ SVM) এবং সরল নিউরাল নেটওয়ার্ক (যেমন GRU) এর সাথে তুলনা করলে, BERT-ভিত্তিক মডেল সমস্ত সূচকে উচ্চতর কর্মক্ষমতা প্রদর্শন করে। সূক্ষ্মতা এবং প্রত্যাহারের ভারসাম্য রক্ষাকারী F1 স্কোর BERT মডেলে উল্লেখযোগ্যভাবে বেশি ছিল, যা ইঙ্গিত করে যে এটি শ্রেণী ভারসাম্যহীনতা এবং সূক্ষ্ম আবেগ প্রকাশের ক্ষেত্রে আরও মজবুত।
3.2 তুলনামূলক বিশ্লেষণ
পরীক্ষাগুলি একটি স্পষ্ট কর্মক্ষমতা স্তর প্রদর্শন করেছে:
- ফাইন-টিউন করা BERT: সর্বোচ্চ নির্ভুলতা এবং F1 স্কোর।
- অন্যান্য ট্রান্সফরমার মডেল (যেমন XLM-R): প্রতিযোগিতামূলক কিন্তু কিছুটা কম কর্মক্ষমতা, সম্ভবত এই নির্দিষ্ট ডোমেনের জন্য অপ্টিমাইজ করা প্রি-ট্রেনিংয়ের অভাবের কারণে।
- রিকারেন্ট নিউরাল নেটওয়ার্ক (GRU/LSTM): মধ্যম স্তরের কর্মক্ষমতা, কিছু কাঠামোতে দীর্ঘ-পরিসরের নির্ভরতা প্রক্রিয়াকরণে অসুবিধা রয়েছে।
- ঐতিহ্যগত মেশিন লার্নিং মডেল (SVM, নাইভ বেইজ): সবচেয়ে কম কার্যকারিতা, যা শব্দের থলে মডেল এবং n-gram বৈশিষ্ট্যগুলির সংক্ষিপ্ত পাঠ্যের আবেগপূর্ণ শব্দার্থবিজ্ঞান ধরার সীমাবদ্ধতা তুলে ধরে।
চিত্রের বর্ণনা (পাঠ্যের প্রসঙ্গ অনুযায়ী কল্পনা করুন): একটি বার গ্রাফের Y-অক্ষে "মডেলের নির্ভুলতা" দেখানো হতে পারে, X-অক্ষে বিভিন্ন মডেলের নাম (BERT, XLM-R, GRU, SVM) থাকতে পারে। BERT-এর বার গ্রাফটি অন্যান্য মডেলের তুলনায় উল্লেখযোগ্যভাবে উঁচু হবে। দ্বিতীয় লাইন চার্টটি প্রতিটি আবেগ শ্রেণীর F1 স্কোর চিত্রিত করতে পারে, যা দেখায় যে BERT পাঁচটি আবেগের সবকটিতেই ধারাবাহিকভাবে উচ্চ স্কোর বজায় রেখেছে, যেখানে অন্যান্য মডেলগুলি "ভয়" বা "বিস্ময়" এর মতো কম ঘটমান বা আরও সূক্ষ্ম আবেগ শ্রেণীতে উল্লেখযোগ্যভাবে কম স্কোর করতে পারে।
4. মূল অন্তর্দৃষ্টি ও আলোচনা
মূল অন্তর্দৃষ্টি: এই নিবন্ধে স্পষ্টভাবে বলা না হলেও, অনুভূতি শনাক্তকরণের মতো সূক্ষ্ম প্রাকৃতিক ভাষা প্রক্রিয়াকরণ কাজের জন্য অগভীর বৈশিষ্ট্য প্রকৌশলের যুগ সম্পূর্ণরূপে শেষ হয়ে গেছে। সংক্ষিপ্ত পাঠ্য প্রক্রিয়াকরণের জন্য TF-IDF বা এমনকি স্থির শব্দ এম্বেডিং-এর উপর নির্ভর করা রিয়েল-টাইম জিপিএস নেভিগেশনের জন্য স্থির টেলিফোন মানচিত্র ব্যবহার করার মতো - এটি স্থানাঙ্ক দেয়, কিন্তু সমস্ত প্রসঙ্গ হারিয়ে যায়। BERT-এর অসামান্য কর্মক্ষমতা কেবল একটি ধারাবাহিক উন্নতি নয়; এটি একটি দৃষ্টান্ত পরিবর্তন, যা প্রমাণ করে যে পাঠ্যে মানুষের অনুভূতি ডিকোড করার জন্য, বিশেষত শব্দের স্বল্পতার ক্ষেত্রে, প্রসঙ্গ-সচেতন গভীর শব্দার্থিক বোঝা অপরিহার্য।
যৌক্তিক প্রবাহ ও সুবিধা: গবেষণার যুক্তি যুক্তিসঙ্গত: একটি শূন্যস্থান চিহ্নিত করা (সংক্ষিপ্ত পাঠ্য আবেগ ডেটাসেট), একটি সম্পদ তৈরি করা (SmallEnglishEmotions), বর্তমানের সবচেয়ে শক্তিশালী সরঞ্জাম প্রয়োগ করা (BERT/ফাইন-টিউনিং)। এর সুবিধা হল এই ব্যবহারিক এন্ড-টু-এন্ড পদ্ধতিতে। ডেটাসেটটি আকারে ছোট হলেও এর অবদান মূল্যবান। BERT বেছে নেওয়ার পেছনে যুক্তি শক্তিশালী, যা NLP ক্ষেত্রের বৃহত্তর প্রবণতার সাথে সামঞ্জস্যপূর্ণ, যেখানে Transformer মডেলগুলি কার্যত মানদণ্ড হয়ে উঠেছে, যেমনটি GLUE এবং SuperGLUE-এর মতো বেঞ্চমার্কগুলিতে তাদের আধিপত্য দ্বারা প্রমাণিত।
ত্রুটি এবং সমালোচনামূলক দৃষ্টিভঙ্গি: যাইহোক, এই নিবন্ধটির দৃষ্টিভঙ্গি সীমিত। এটি BERT কে একটি সর্বব্যাপী সমাধান হিসেবে দেখে, এর বিশাল গণনাগত ব্যয় এবং বিলম্বের সমস্যাগুলির পর্যাপ্ত মোকাবিলা না করে, যা চ্যাটবট বা কন্টেন্ট মডারেশনের মতো রিয়েল-টাইম অ্যাপ্লিকেশনের জন্য গুরুত্বপূর্ণ ত্রুটি। তদুপরি, পাঁচ-শ্রেণীর আবেগ মডেলটি অত্যধিক সরলীকৃত। বাস্তব বিশ্বের আবেগীয় অবস্থাগুলি প্রায়শই মিশ্র হয় (উদাহরণস্বরূপ, তিক্ত-মিষ্টি আনন্দ), এই জটিলতা এমনEmoNetএই ধরনের মডেল বা মাত্রিক মডেল (ভ্যালেন্স-অ্যারাউজাল) যা ধরার চেষ্টা করে। এই নিবন্ধটি পক্ষপাতের গুরুত্বপূর্ণ সমস্যাটিও এড়িয়ে যায়—বিস্তৃত ইন্টারনেট ডেটার উপর প্রশিক্ষিত BERT মডেল সামাজিক পক্ষপাত উত্তরাধিকারসূত্রে পেতে এবং বিবর্ধিত করতে পারে, যাAI Now InstituteAI নীতিশাস্ত্র গবেষণায় বিভিন্ন প্রতিষ্ঠান দ্বারা পর্যাপ্তভাবে নথিভুক্ত সমস্যা।
কার্যকরী অন্তর্দৃষ্টি: অনুশীলনকারীদের জন্য বার্তা স্পষ্ট: একটি Transformer বেস মডেল (যেমন BERT বা এর আরও দক্ষ বৈকল্পিক যেমন DistilBERT বা ALBERT) দিয়ে শুরু করুন এবং আপনার নির্দিষ্ট ডোমেন ডেটাতে ফাইন-টিউন করুন। তবে, সেখানেই থেমে যাবেন না। পরবর্তী ধাপ হল বিশেষায়িত মূল্যায়ন পদ্ধতি তৈরি করা যা বিভিন্ন জনসংখ্যা গোষ্ঠীর মধ্যে মডেলের পক্ষপাত পরীক্ষা করে এবং আরও সূক্ষ্ম অনুভূতি শ্রেণীবিভাগ ব্যবস্থা অন্বেষণ করে। ভবিষ্যৎ শুধুমাত্র 5-শ্রেণীর সমস্যায় উচ্চতর নির্ভুলতা অর্জনের বিষয় নয়; বরং ব্যাখ্যাযোগ্য, দক্ষ এবং ন্যায়সঙ্গত মডেল তৈরি করা যা মানবিক অনুভূতির সম্পূর্ণ বর্ণালী বোঝে।
5. প্রযুক্তিগত বিবরণ এবং গাণিতিক সূত্র
BERT শ্রেণীবিভাগ হেডের মূল অংশটি জড়িত[CLS]টোকেনের (যা ক্রম তথ্য একত্রিত করে) চূড়ান্ত লুকানো অবস্থা পাওয়া এবং শ্রেণীবিভাগের জন্য এটিকে একটি ফিড-ফরওয়ার্ড নিউরাল নেটওয়ার্ক স্তরের মধ্য দিয়ে পরিচালিত করা।
প্রদত্ত ইনপুট টেক্সট সিকোয়েন্সের জন্য, BERT[CLS]টোকেনটি একটি প্রসঙ্গগত এম্বেডিং উপস্থাপনা তৈরি করে, যা $\mathbf{C} \in \mathbb{R}^H$ হিসাবে চিহ্নিত করা হয়, যেখানে $H$ হল লুকানো স্তরের আকার (উদাহরণস্বরূপ, BERT-বেসের জন্য 768)।
টেক্সটটি $k$ (মোট $K=5$টি শ্রেণী) আবেগ শ্রেণীর অন্তর্ভুক্ত হওয়ার সম্ভাবনা softmax ফাংশন ব্যবহার করে গণনা করা হয়: $$P(y=k | \mathbf{C}) = \frac{\exp(\mathbf{W}_k \cdot \mathbf{C} + b_k)}{\sum_{j=1}^{K} \exp(\mathbf{W}_j \cdot \mathbf{C} + b_j)}$$ যেখানে $\mathbf{W} \in \mathbb{R}^{K \times H}$ এবং $\mathbf{b} \in \mathbb{R}^{K}$ হল চূড়ান্ত শ্রেণীবিভাগ স্তরের ওজন এবং পক্ষপাত, যা ফাইন-টিউনিং প্রক্রিয়ায় শেখা হয়।
মডেলটি ক্রস-এনট্রপি লস কে ন্যূনতম করে প্রশিক্ষিত হয়: $$\mathcal{L} = -\frac{1}{N} \sum_{i=1}^{N} \sum_{k=1}^{K} y_{i,k} \log(P(y_i=k | \mathbf{C}_i))$$ যেখানে $N$ ব্যাচের আকার, এবং $y_{i,k}$ হল 1 যদি নমুনা $i$ এর প্রকৃত লেবেল $k$ হয়, অন্যথায় 0।
6. বিশ্লেষণ কাঠামো: উদাহরণ কেস স্টাডি
দৃশ্য: একটি মানসিক স্বাস্থ্য অ্যাপ্লিকেশন ব্যবহারকারীর ডায়েরি এন্ট্রিগুলিকে সম্ভাব্য সংকেত চিহ্নিত করতে তীব্র নেতিবাচক আবেগ সনাক্ত করে শ্রেণীবদ্ধ করতে চায়।
ফ্রেমওয়ার্ক প্রয়োগ:
- ডেটা প্রস্তুতি: সংক্ষিপ্ত ডায়েরি এন্ট্রির একটি সংগ্রহ করুন এবং "উচ্চ বেদনা", "মাঝারি দুঃখ", "নিরপেক্ষ", "ইতিবাচক" ইত্যাদি লেবেল দিয়ে চিহ্নিত করুন। এটি SmallEnglishEmotions ডেটাসেট তৈরির প্রক্রিয়ার অনুরূপ।
- মডেল নির্বাচন: একটি প্রাক-প্রশিক্ষিত মডেল নির্বাচন করুন, যেমন
bert-base-uncasedএই ক্ষেত্রের সংবেদনশীলতা বিবেচনা করে, এই নিবন্ধের স্থানান্তর শিক্ষার যুক্তি অনুসরণ করে, এর মতো মডেল ব্যবহার করাMentalBERT(মানসিক স্বাস্থ্য পাঠ্যে প্রাক-প্রশিক্ষিত) আরও কার্যকর হতে পারে। - ফাইন-টিউনিং: নির্বাচিত মডেলটিকে নতুন ডায়েরি এন্ট্রি ডেটাসেটে অভিযোজিত করা। প্রশিক্ষণ লুপটি বিভাগ 5-এ বর্ণিত ক্রস-এনট্রপি লস হ্রাস করে।
- মূল্যায়ন ও স্থাপনা: মূল্যায়ন শুধুমাত্র নির্ভুলতা দেখে নয়, বরং 'অত্যন্ত কষ্টদায়ক' বিভাগের রিকল মূল্যায়ন করা অত্যন্ত গুরুত্বপূর্ণ (সঙ্কেত মিস করার খরচ ভুল সতর্কতার চেয়ে বেশি)। মডেলটিকে একটি API হিসেবে স্থাপন করুন, নতুন এন্ট্রিগুলির জন্য বাস্তব সময়ে স্কোরিং করুন।
- পর্যবেক্ষণ: মডেলের পূর্বাভাসের ফলাফল ক্রমাগত পর্যবেক্ষণ করুন, পুনরায় প্রশিক্ষণের জন্য প্রতিক্রিয়া সংগ্রহ করুন এবং মডেল ড্রিফট হ্রাস করুন, সময়ের সাথে সাথে মডেলটি ব্যবহারকারীর ভাষার সাথে সামঞ্জস্যপূর্ণ থাকে তা নিশ্চিত করুন।
7. ভবিষ্যতের প্রয়োগ ও গবেষণার দিকনির্দেশ
প্রয়োগ:
- রিয়েল-টাইম মানসিক স্বাস্থ্য সহায়তা: টেলিহেলথ প্ল্যাটফর্ম এবং স্বাস্থ্য অ্যাপ্লিকেশনে একীভূত করে, তাৎক্ষণিক আবেগগত অবস্থা বিশ্লেষণ প্রদান করে এবং সহায়তা সম্পদ সক্রিয় করে।
- কাস্টমার অভিজ্ঞতা উন্নত করা: কাস্টমার সার্ভিস চ্যাট লগ, পণ্য পর্যালোচনা এবং সোশ্যাল মিডিয়া উল্লেখ বিশ্লেষণ করে, বৃহৎ পরিসরে কাস্টমার সেন্টিমেন্ট মূল্যায়ন করা, যার ফলে প্রোঅ্যাকটিভ সার্ভিস সক্ষম হয়।
- বিষয়বস্তু পর্যালোচনা ও নিরাপত্তা: বার্তার মধ্যে আবেগপূর্ণ আক্রমণাত্মকতা বা হতাশার অনুভূতি বোঝার মাধ্যমে, অনলাইন সম্প্রদায়ে ঘৃণামূলক বক্তব্য, সাইবার বুলিং বা আত্ম-ক্ষতির ইচ্ছা শনাক্ত করা।
- ইন্টারঅ্যাকটিভ বিনোদন ও গেমিং: এমন নন-প্লেয়ার ক্যারেক্টার বা ইন্টারঅ্যাক্টিভ গল্প তৈরি করা যা ব্যবহারকারীর টেক্সট ইনপুটে প্রকাশিত আবেগের সুরের প্রতি গতিশীলভাবে সাড়া দেয়।
গবেষণার দিকনির্দেশ:
- মাল্টিমোডাল ইমোশন রিকগনিশন: পাঠ্যকে স্বরভঙ্গি (ভয়েস মেসেজে) এবং মুখের অভিব্যক্তি (ভিডিও মন্তব্যে) এর সাথে একত্রিত করে সামগ্রিক দৃষ্টিভঙ্গি পেতে, অনুরূপভাবেমাল্টিমোডাল লার্নিং গবেষণাএ দেখা চ্যালেঞ্জ এবং পদ্ধতিসমূহ।
- সেন্টিমেন্ট মডেলের জন্য এক্সপ্লেইনেবল আর্টিফিশিয়াল ইন্টেলিজেন্স: কোন শব্দ বা বাক্যাংশ আবেগ পূর্বাভাসে সবচেয়ে বেশি অবদান রাখে তা হাইলাইট করার জন্য প্রযুক্তি তৈরি করা, যাতে বিশ্বাস গড়ে তোলা যায় এবং ক্লিনিশিয়ান বা অডিটরদের জন্য অন্তর্দৃষ্টি প্রদান করা যায়।
- লাইটওয়েট এবং দক্ষ মডেল: মোবাইল এবং এজ ডিভাইসে খাপ খাইয়ে নেওয়ার জন্য, কার্যক্ষমতা হ্রাস না করে বড় ট্রান্সফরমার মডেলগুলিকে কিভাবে ছোট, দ্রুত সংস্করণে পাতিত করা যায় তা গবেষণা করা।
- Cross-lingual and Low-resource Adaptation: Transfer learning-এর সাফল্যকে প্রকৃত স্বল্প-সম্পদ ভাষায় প্রসারিত করা, যেখানে লেবেলযুক্ত ডেটা অত্যন্ত সীমিত, সম্ভবত few-shot বা zero-shot learning কৌশল ব্যবহার করে।
8. তথ্যসূত্র
- Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805.
- Wang, A., Singh, A., Michael, J., Hill, F., Levy, O., & Bowman, S. R. (2018). GLUE: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding. Proceedings of the 2018 EMNLP Workshop BlackboxNLP.
- এআই নাউ ইনস্টিটিউট। (২০১৯)। অক্ষমতা, পক্ষপাত এবং কৃত্রিম বুদ্ধিমত্তা. সংগ্রহের ঠিকানা: https://ainowinstitute.org/
- Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (বিভিন্ন ক্ষেত্রে প্রভাবশালী গভীর শিক্ষা কাঠামোর উদাহরণ হিসেবে উদ্ধৃত)।
- Poria, S., Cambria, E., Bajpai, R., & Hussain, A. (2017). A review of affective computing: From unimodal analysis to multimodal fusion. Information Fusion, 37, 98-125.
- Bhat, S. (2024). Emotion Classification in Short English Texts using Deep Learning Techniques. arXiv preprint arXiv:2402.16034.